Tilbake til søkeresultatene

FINANSMARK-Finansmarkedet

Statistical modelling and inference for (high-dimensional) financial data

Alternativ tittel: Statistisk modellering og inferens for (høy-dimensjonale) finansdata

Tildelt: kr 0,60 mill.

Prosjektleder:

Prosjektnummer:

309218

Prosjektperiode:

2020 - 2023

Midlene er mottatt fra:

I løpet av de siste 10 årene etter finanskrisen i 2008, har en rekke nye statistiske modeller blitt introdusert for å bedre beskrive finansdata, spesielt med tanke på å kunne predikere f.eks. konkurser og fremtidige avkastninger, samt å kvantifisere finansiell risiko. Typisk har modeller som er bedre egnet til å beskrive tidsdynamikken i prosessene vært i fokus. Videre, er den enorme mengden data som nå er tilgjengelig, på den ene siden, en rik kilde til informasjon, men på den andre siden kreves det ad-hoc-metoder som er i stand til å takle utfordringer med høydimensjonale data, og de krevende beregningene som er involvert i enhver "stor-data" modellering. Dette prosjektet har introdusert en klasse av statistiske modeller, kjent som skjulte eller latente Markov-modeller, for bedre å karakterisere økonomiske og finansielle data når det gjelder krise kontra ikke-kriseperioder, og for å fange opp mulige smittekilder mellom sektorer. Dette gjøres samtidig ved å ta hensyn til makroøkonomiske størrelser som vil brukes for å øke nøyaktigheten til prediksjoner, f.eks. konkurssannsynligheter. Vi har videre utviklet bedre metoder for å måle finansiell risiko. Prosjektgruppen har fått antatt flere artikler i akademiske journaler, spesielt trekkes frem et arbeid i "Journal of the Royal Statistical Society", med tittel "Modelling clusters of corporate defaults: Regime-switching models significantly reduce the contagion source". I denne artikkelen blir en regime-modell kombinert med telletidsrekker, og vi viser at dynamikken i prosessen av antall konkurser i selskaper er mer dynamisk enn tidligere antatt, og at smitteeffekten, dvs. at konkurs i et selskap påvirker sannsynligheten for at et annet selskap går konkurs, er redusert sammenlignet med modeller uten regimer, og at denne effekten kun er tilstede i et regime. Videre har prosjektet resultert i flere akademiske artikler som omhandler egenskapene og estimeringsalgoritmene til skjulte Markov modeller, og andre relaterte modeller.

Both sub-projects address important issues within the financial service industry. For sub-project a) a possible output from the study of the clustering of corporate defaults could be that more sophisticated class of models may be needed to model bankruptcies. Adjusting current credit risk models to comply with these specifications would not only be relevant for internal risk assessment, but also for external supervision of financial institutions This is shown to be the case in the research done in the project. For sub-project b), the introduction of the new risk measures can mprove the estimation of tail risks. This would be of benefit for many financial institutions, including banks and insurances.

One often encounters non-linear dependencies and non-Gaussianity in the joint distribution of stochastic variables in finance. This typically arises as easily recognized features of asset returns observed in financial markets. In this project we will extend both the theory and applications of non-linear stochastic models in two problem areas of finance, which are the a) corporate default modelling by non-linear integer-valued time series with regimes and b) new risk measures in high-dimensional multivariate settings. In sub-project a) we will further develop the theory and applications regarding non-linear integer time series models by allowing for time-varying parameters in these models. The motivation for such an extension is the modelling and forecasting corporate defaults. A stylized fact of these defaults is their tendency to cluster in time. This default clustering phenomenon has been explored in the financial literature. We will contribute to this field by proposing a new class of non-linear integer-valued time series models with regimes. In this way, we will achieve a more realistic modelling of corporate default counts and will be able to provide improved insight into their behaviour. In sub-project b), our main interest is to introduce and estimate the recently proposed risk measures conditional value at risk (CoVaR) and conditional expected shortfall (CoES) for the class of parsimonious contaminated hidden semi-Markov models. This approach allows for non-linear dependence between asset returns.

Budsjettformål:

FINANSMARK-Finansmarkedet